知识卡片
YouTube两阶段推荐架构
YouTube面对百万量级UGC视频与在线延迟约束,采用两阶段深度学习架构。第一级候选集生成模型负责召回,把候选从百万量级快速筛到几百量级;第二级排序模型对这几百个候选做精排。这样把全量粗筛与小规模精排解耦,既控制线上延迟,又能在精排阶段引入更多特征。架构背后是YouTube的业务逻辑:广告曝光机会与观看时长成正比,因此排序模型以最大化用户观看时长为目标。迁移价值在于当候选规模极大时,两级结构比单级复杂网络更工程可行。
结构图:
flowchart LR
U[用户请求 User] --> C[候选集生成 Candidate Generation]
V[百万视频库 Million Videos] --> C
C -->|几百候选| R[排序模型 Ranking]
R --> O[推荐结果 Output]
G[观看时长目标 Watch Time] --> R
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第8章 深度学习推荐系统的前沿实践 · 查看原书依据
第一级用候选集生成模型(Candidate Generation Model)完成候选视频的快速筛选,在这一步,候选视频集合由百万量级降至几百量级。这相当于经典推荐系统架构中的召回层。
参考来源
- 位置:《深度学习推荐系统》第8章 深度学习推荐系统的前沿实践(源文件:extracted/深度学习推荐系统/_epub-src/text/part0012_split_003.html)
- 结论依据:原文说明YouTube因视频基数巨大采用两级深度学习模型,第一级候选集生成对应召回层、第二级排序对应排序层,并以观看时长为核心优化目标。
- 原始内容:第一级用候选集生成模型(Candidate Generation Model)完成候选视频的快速筛选,在这一步,候选视频集合由百万量级降至几百量级。这相当于经典推荐系统架构中的召回层。